Artigo de método

Uma plataforma de suporte à decisão médica para identificar trombospondina 1 na doença hepática gordurosa não alcoólica por meio de análise de imunoinfiltração

704 vistas

⸱

DOI:

10.3791/67328

⸱

30 de agosto de 2024

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Geriatric Cardiology, General Hospital of Southern Theater Command, 2Guangzhou Key Laboratory of Cardiac Rehabilitation, 3Branch of National Clinical Research Center for Geriatric Diseases, Chinese PLA General Hospital, 4The First School of Clinical Medicine, Southern Medical University, 5Zhujiang Hospital, Southern Medical University, Cardiovascular Department/The Second School of Clinical Medicine, Southern Medical University, 6Department of Electronics & Communication Engineering, Mepco Schlenk Engineering College, 7Department of Teleinformatics Engineering, Federal University of Ceará

Neste artigo

Resumo

Este estudo investigou as relações entre doença hepática gordurosa não alcoólica (DHGNA) e infarto do miocárdio (IM) por meio de genes co-expressos, identificando a Trombospondina 1 (THBS1) como biomarcador. A análise de imunoinfiltração revelou células T CD8+ e neutrófilos como fatores-chave, com THBS1 mostrando potencial como ferramenta diagnóstica para DHGNA e IM.

Resumo

A doença hepática gordurosa não alcoólica (DHGNA) e o infarto do miocárdio (IM) são dois grandes problemas de saúde com prevalência e mortalidade significativas. Este estudo teve como objetivo explorar os genes co-expressos para entender a relação entre NAFLD e IM e identificar potenciais biomarcadores cruciais de IM relacionados à NAFLD usando bioinformática e aprendizado de máquina. A análise de enriquecimento funcional foi conduzida, um diagrama de rede de interação co-proteína-proteína (PPI) foi construído e as técnicas de eliminação de características recursivas de máquina de vetor de suporte (SVM-RFE) e operador de seleção e encolhimento absoluto mínimo (LASSO) foram empregadas para identificar um gene diferencialmente expresso (DEG), Trombospondina 1 (THBS1). O THBS1 demonstrou forte desempenho na distinção entre pacientes com DHGNA (AUC = 0,981) e pacientes com IM (AUC = 0,900). A análise de imunoinfiltração revelou células T CD8+ significativamente mais baixas e níveis mais altos de neutrófilos em pacientes com DHGNA e IM. As células T CD8+ e os neutrófilos foram eficazes na distinção entre DHGNA/IM e controles saudáveis. A análise de correlação mostrou que o THBS1 foi positivamente correlacionado com CCR (receptor de quimiocina), classe MHC (classe do complexo principal de histocompatibilidade), neutrófilos, parainflamação e Tfh (células T auxiliares foliculares) e negativamente correlacionado com células T CD8+, atividade citolítica e TIL (linfócitos infiltrantes de tumor) em pacientes com DHGNA e IM. O THBS1 surgiu como um novo biomarcador para o diagnóstico de DHGNA/IM em comparação com controles saudáveis. Os resultados indicam que as células T CD8+ e os neutrófilos podem servir como características imunes inflamatórias para diferenciar pacientes com DHGNA/IM de indivíduos saudáveis.

Introdução

A doença hepática gordurosa não alcoólica (DHGNA) é um importante problema de saúde pública, com uma prevalência de 25% a 30%1. Foi relatado que a prevalência de DHGNA é alta entre pacientes com diabetes2. No entanto, o significado da DHGNA em pacientes não diabéticos ainda não está claro. Estudos têm sugerido que a DHGNA desempenha um papel independente na patogênese da aterosclerose 3,4. Além disso, uma metanálise mostrou que a DHGNA está intimamente associada à calcificação da artéria coronária, disfunção endotelial e aterosclerose, e emergiu como um fator de risco cardiovascular independente5. A conexão entre DHGNA e doença cardiovascular ainda requer mais investigação.

O infarto do miocárdio (IM) é uma doença catastrófica que ameaça a saúde e impõe um ônus econômico significativo aos pacientes e suas famílias em todo o mundo6. O infarto do miocárdio também é uma das principais causas de morte em pacientes com DHGNA. Um estudo clínico publicado no British Medical Journal mostrou que o risco de infarto do miocárdio em pacientes com DHGNA é 1,17 vezes maior do que em pacientes sem DHGNA 7,8. Alguns estudos identificaram vias moleculares, incluindo inflamação, estresse oxidativo e metabolismo lipídico, que contribuem para o IM relacionado à DHGNA 9,10,11. No entanto, os mecanismos subjacentes que ligam a DHGNA e o IM permanecem obscuros. É crucial identificar novos biomarcadores relacionados ao prognóstico da DHGNA e do IM.

O aumento da prevalência de DHGNA, que afeta um amplo segmento da população, ressalta um importante problema de saúde pública, principalmente devido à sua associação com o diabetes. No entanto, o impacto da DHGNA em pacientes não diabéticos permanece pouco compreendido. A DHGNA tem sido implicada na patogênese da aterosclerose e é reconhecida como um fator de risco cardiovascular independente, estando intimamente ligada à calcificação da artéria coronária, disfunção endotelial e aterosclerose. Apesar dessas associações, os mecanismos precisos que unem a DHGNA e doenças cardiovasculares, como o infarto do miocárdio (IM), requerem maior elucidação. O IM é uma das principais causas de mortalidade em todo o mundo e impõe um fardo econômico significativo. O risco de infarto do miocárdio em pacientes com DHGNA é notavelmente maior do que naqueles sem DHGNA, destacando a necessidade de uma compreensão mais profunda das vias moleculares que conectam essas condições. Embora a inflamação, o estresse oxidativo e o metabolismo lipídico tenham sido sugeridos como fatores contribuintes, os mecanismos exatos permanecem obscuros. Há uma necessidade urgente de identificar novos biomarcadores que possam fornecer informações sobre o prognóstico e o tratamento do infarto do miocárdio relacionado à DHGNA.

Consequentemente, neste estudo, conjuntos de dados de microarray de RNA para NAFLD e MI foram baixados do National Center for Biotechnology Information-Gene Expression Omnibus (NCBI-GEO, consulte a Tabela de Materiais) para identificar e analisar a interação de genes diferencialmente expressos (DEGs) entre NAFLD e MI. Análise de enriquecimento, construção de diagrama de rede de interação proteína-proteína (PPI), eliminação de características recursivas de máquina de vetor de suporte (SVM-RFE), e algoritmos de operador de encolhimento e seleção de mínimo absoluto (LASSO) foram usados para identificar genes hub 12,13,14,15,16,17,18,19. A análise de imunoinfiltração foi realizada para examinar células imunes em pacientes com DHGNA e IM. Em última análise, esses métodos foram integrados para elucidar a relação entre DHGNA e IM. A Figura 1 ilustra a sequência de desenho seguida neste estudo. Ao combinar bioinformática, aprendizado de máquina e análise de imunoinfiltração, este estudo visa contribuir para o desenvolvimento de uma nova plataforma de suporte à decisão médica.

As principais contribuições deste artigo são: (1) Identificação de genes co-expressos: O estudo destaca a relação entre NAFLD e IM identificando genes co-expressos, oferecendo uma compreensão mais profunda das ligações moleculares entre essas duas condições. (2) Aplicação de bioinformática e aprendizado de máquina: Usando técnicas de bioinformática e aprendizado de máquina, incluindo eliminação de recursos recursivos de máquina de vetor de suporte (SVM-RFE)17 e operador de seleção e encolhimento mínimo absoluto (LASSO)19, o estudo identifica o THBS1 como um gene diferencialmente expresso. O THBS1 demonstra alto desempenho na distinção entre pacientes com DHGNA e IM de controles saudáveis. (3) Análise de imunoinfiltração: O estudo realiza uma análise de imunoinfiltração, revelando níveis significativamente mais baixos de células T CD8+ e níveis mais altos de neutrófilos em pacientes com DHGNA e IM. (4) Análise de correlação: A pesquisa demonstra que o THBS1 está positivamente correlacionado com vários fatores imunológicos, incluindo CCR (receptor de quimiocina), MHC classe I (complexo principal de histocompatibilidade classe I), neutrófilos, parainflamação e células Tfh (T auxiliares foliculares). Está negativamente correlacionado com células T CD8+, atividade citolítica e linfócitos infiltrantes de tumor (TIL).

Protocolo

Os detalhes dos bancos de dados, links da web e softwares/pacotes usados estão listados na Tabela de Materiais. Os parâmetros de simulação utilizados são apresentados no Quadro 1.

1. Obtenção de conjuntos de dados de microarray de RNA

  1. Baixe o conjunto de dados de infarto do miocárdio (IM), GSE66360, do banco de dados NCBI-GEO .
  2. Baixe o conjunto de dados da doença hepática gordurosa não alcoólica (DHGNA), GSE89632, do banco de dados NCBI-GEO .
  3. Certifique-se de que os conjuntos de dados baixados incluam 49 amostras de IM, 50 controles íntegros para GSE66360, 39 amostras de DHGNA e 24 controles íntegros para GSE89632.

2. Identificação dos DEG

  1. Pré-processamento de dados e identificação DEG
    1. Carregue os conjuntos de dados no RStudio usando as funções R apropriadas.
    2. Utilize o pacote R limma para identificar DEGs12 com os seguintes limites: P < 0,05P e | log FC | > 1,5.
    3. Use os pacotes R pheatmap, ggplot2 e Venn para gerar mapas de calor e diagramas de Venn para visualizar DEGs.
  2. Criar visualizações
    1. Use o mapa de calor para gerar mapas de calor de DEGs.
    2. Use ggplot2 para criar diagramas de Venn mostrando a sobreposição de DEGs entre NAFLD e MI.

3. Análise de enriquecimento

  1. Realizar análises de enriquecimento GO, KEGG e DO
    1. Carregue DEGs no pacote R clusterProfiler13.
    2. Realize a análise de enriquecimento de Ontologia Gênica (GO) para categorizar DEGs em funções moleculares, processos biológicos e componentes celulares.
    3. Realize a análise da via da Enciclopédia de Genes e Genomas de Kyoto (KEGG) para mapear DEGs em vias bioquímicas.
    4. Use a análise de enriquecimento da Ontologia da Doença (DO) para vincular DEGs a estados clínicos específicos.

4. Análise de PPI através da construção de redes de PPI

  1. Use a plataforma online STRING 14 para construir diagramas de rede de interação proteína-proteína (PPI) de co-DEGs com uma pontuação de confiança de 0,4.
  2. Visualize as redes PPI usando o Cytoscape15.

5. Triagem de DEGs do hub de candidatos aplicando algoritmos de aprendizado de máquina

  1. Use os algoritmos de regressão SVM-RFE (Support Vector Machine-Recursive Feature Elimination) e LASSO (Least Absolute Shrinkage and Selection Operator) no RStudio para selecionar os DEGs mais relevantes 16,17,18.
  2. Certifique-se de que o SVM-RFE classifique e remova recursos iterativamente, enquanto a regressão LASSO19 aplica a regularização para identificar um conjunto esparso de DEGs.

6. Construção da curva ROC para avaliar o desempenho diagnóstico

  1. Use o RStudio para realizar a análise da curva ROC (Receiver Operating Characteristic)20.
  2. Calcule a área sob a curva (AUC) para co-DEGs cruciais.

7. Análise de imunoinfiltração para explorar a infiltração imunológica

  1. Realize a Análise de Enriquecimento de Conjunto de Genes de amostra única (ssGSEA) usando os pacotes R GSVA e GSEABase para analisar a infiltração imunológica na DHGNA e MI21.
  2. Compare a abundância relativa de tipos de células imunes entre amostras de DHGNA e IM e controles saudáveis.

8. Análise estatística

  1. Realize todas as análises estatísticas no RStudio.
  2. Aplique a análise de correlação de Pearson para examinar os padrões de co-expressão gênica.
  3. Garantir significância estatística com P < 0,05.
    NOTA: Certifique-se de que todos os pacotes de software e R estejam instalados corretamente e atualizados para suas versões mais recentes antes de iniciar o protocolo.

Resultados

Os principais achados do estudo proposto são apresentados aqui, abrangendo várias análises realizadas para elucidar os mecanismos moleculares subjacentes à DHGNA e ao IM.

Identificação dos DEGs
No conjunto de dados GSE89632, 76 genes regulados para cima e 20 para baixo foram identificados como NAFLD-DEGs (Figura 2B, D), enquanto o conjunto de dados GSE66360 revelou 118 genes regulados para cima e 8 para baixo como MI-DEGs (Figura 2C, E). Posteriormente, os co-DEGs foram derivados da sobreposição entre NAFLD-DEGs e MI-DEGs, identificando 13 DEGs regulados para cima e 1 DEG para baixo entre os co-DEGs (Figura 2A).

A identificação de DEGs exclusivos da DHGNA e do IM, bem como aqueles comuns a ambos os distúrbios, fornece informações valiosas sobre os processos moleculares subjacentes a essas doenças. Compreender os padrões de expressão gênica distintos e compartilhados ligados a ambas as condições ajuda a esclarecer a fisiopatologia da DHGNA e do IM e pode identificar potenciais alvos moleculares para intervenção terapêutica. Uma investigação mais aprofundada sobre os co-DEGs pode revelar reguladores críticos ou vias essenciais para a interação entre esses dois distúrbios, facilitando o desenvolvimento de terapias direcionadas destinadas a mitigar os resultados negativos para a saúde associados à DHGNA e ao infarto do miocárdio.

Análise de enriquecimento
A análise GO revelou que os DEGs da DHGNA foram enriquecidos principalmente nos seguintes processos biológicos (BP): diferenciação de células adiposas, resposta ao lipopolissacarídeo e processos de organismos multicelulares (p < 0,05, Figura 3A). Para componentes celulares (CC), os DEGs da DHGNA foram associados principalmente ao complexo fosfatidilinositol 3-quinase, lúmen do grânulo secretor e lúmen da vesícula citoplasmática (p < 0,05, Figura 3A). Em termos de função molecular (MF), as principais atividades incluíram atividade reguladora de fosfatidilinositol-3-quinase, atividade do ativador da transcrição de ligação ao DNA (RNA polimerase específica) e atividade geral do ativador da transcrição de ligação ao DNA (p < 0,05, Figura 3A).

Para MI-DEGs, a análise da PA mostrou enriquecimento na quimiotaxia leucocitária, ativação leucocitária mieloide e quimiotaxia celular (p < 0,05, Figura 3B). A análise CC destacou o enriquecimento em grânulos terciários, grânulos ricos em ficolina-1 e lúmen de grânulos secretores (p < 0,05, Figura 3B). A análise de MF revelou enriquecimento na atividade do receptor de reconhecimento de padrões, ligação ao receptor RAGE e atividade do receptor imunológico (p < 0,05, Figura 3B).

A análise de enriquecimento de KEGG indicou que os NAFLD-DEGs foram significativamente enriquecidos nas seguintes vias: IL-17, AGE-RAGE, TNF, diferenciação de osteoclastos, malária, artrite reumatóide, doença de Chagas e vias de sinalização JAK-STAT (p < 0,05, Figura 3C). Os MI-DEGs foram enriquecidos em IL-17, TNF, metabolismo lipídico e aterosclerose, sinalização do receptor toll-like, sinalização do receptor de lectina tipo C, legionelose, artrite reumatóide e vias de sinalização NF-κB (p < 0,05, Figura 3D). A análise de enriquecimento da Ontologia da Doença (DO) demonstrou que os três principais DEGs para DHGNA e IM foram significativamente associados à aterosclerose, doença cardiovascular arteriosclerótica e arteriosclerose (p < 0,05, Figura 3E-F).

Análise de diagramas de rede PPI
No diagrama de rede PPI para DHGNA, foram identificados 92 nós e 250 arestas, refletindo uma complexa rede de interações entre proteínas associadas a essa condição. Da mesma forma, o diagrama de rede PPI para IM revelou 117 nós e 587 arestas, indicando uma característica de rede mais intrincada da paisagem molecular do infarto do miocárdio. Além disso, os diagramas de rede PPI para co-DEGs identificaram 14 nós e 21 arestas, destacando potenciais interações-chave entre proteínas compartilhadas entre NAFLD e MI (Figura 4A-F).

As redes PPI são valiosas para construir e analisar alvos terapêuticos e fornecem informações importantes sobre as conexões moleculares subjacentes à DHGNA e ao IM. As topologias de rede únicas observadas na DHGNA e no IM enfatizam os distintos mecanismos fisiopatológicos envolvidos nessas doenças. Além disso, a descoberta de conexões compartilhadas entre co-DEGs sugere possíveis vias compartilhadas ou redes regulatórias que medeiam a interação entre IM e NAFLD. Pesquisas adicionais sobre essas conexões podem revelar novos alvos moleculares para intervenção e desenvolvimento de terapia, potencialmente oferecendo novas opções de tratamento para essas doenças complexas.

Triagem de DEGs do hub do candidato
O algoritmo SVM-RFE17 foi empregado para rastrear potenciais DEGs cruciais, resultando na identificação de 6 genes em GSE89632 e 4 genes em GSE66360 (Figura 5A, B). Da mesma forma, o algoritmo LASSO19 foi usado para identificar DEGs cruciais candidatos, produzindo 4 genes em GSE89632 e 5 genes em GSE66360 (Figura 5C, D). Notavelmente, um diagrama de Venn descreveu a interseção do DEG do hub (THBS1) identificado por análises de rede SVM-RFE, LASSO e co-PPI, ressaltando sua importância na patogênese da DHGNA e do IM (Figura 5F).

Esses algoritmos avançados de aprendizado de máquina forneceram uma estrutura robusta para identificar os principais DEGs associados ao IM e NAFLD e ofereceram informações valiosas sobre seu potencial como alvos terapêuticos ou diagnósticos. A identificação do THBS1 como um gene hub por meio de múltiplas técnicas analíticas destaca sua importância nas vias moleculares subjacentes a ambas as doenças. Pesquisas adicionais sobre o significado funcional do THBS1 e suas interações dentro da rede co-PPI podem elucidar novos mecanismos que ligam NAFLD e MI, potencialmente abrindo caminho para terapias direcionadas e estratégias de medicina de precisão.

Valor de diagnóstico de um DEGs de hub
A análise ROC foi conduzida para avaliar a eficiência diagnóstica dos DEGs centrais identificados nos conjuntos de dados NAFLD e MI. Conforme ilustrado na Figura 6A,B, o THBS1 demonstrou alto poder discriminatório, com uma AUC de 0,981 (IC 95%: 0,949-1,000) em pacientes com DHGNA e 0,900 (IC 95%: 0,834-0,956) em pacientes com IM. O forte desempenho do THBS1 como biomarcador diagnóstico destaca sua utilidade potencial na diferenciação entre DHGNA, IM e controles saudáveis.

Esses resultados sugerem que o THBS1 pode servir como um marcador valioso para o estado da doença, oferecendo aos médicos uma ferramenta útil para avaliação de risco e identificação precoce. Para facilitar a integração do THBS1 na prática clínica e melhorar o atendimento e o gerenciamento do paciente, são necessários mais estudos de validação para confirmar sua precisão diagnóstica em diversas populações de pacientes e ambientes clínicos.

Análise de infiltração imunológica
O ssGSEA foi conduzido para analisar 29 genes relacionados ao sistema imunológico entre NAFLD/MI e o grupo controle (CON). Em comparação com o grupo CON, a infiltração de células imunes foi significativamente aumentada nos grupos NAFLD e MI, particularmente para CCR, MHC classe I, neutrófilos, parainflamação e células Tfh (p < 0,05, Figura 7A, B). Por outro lado, a infiltração de células imunes diminuiu notavelmente nos grupos DHGNA e IM em relação ao grupo CON, especialmente para células T CD8+, atividade citolítica e linfócitos infiltrantes de tumor (TIL) (p < 0,05, Figura 7C,D).

Esses resultados sugerem desregulação da infiltração de células imunes tanto na DHGNA quanto no IM, destacando o complexo cenário imunológico associado a essas condições. As mudanças observadas na composição das células imunes fornecem informações valiosas sobre os processos imunológicos subjacentes ao desenvolvimento e fisiopatologia dessas doenças. Uma compreensão mais aprofundada dessas características imunológicas pode revelar novos alvos terapêuticos para intervenção e apoiar o desenvolvimento de planos de tratamento individualizados com base nos perfis imunológicos de pacientes com DHGNA e IM.

figure-results-1
Figura 1: A sequência de design do sistema de suporte à decisão médica para identificar THBS1. Clique aqui para ver uma versão maior desta figura.

figure-results-2
Figura 2: Diagramas de Venn, diagramas de vulcões e mapas de calor. (A) Diagrama de Venn para GSE89632 e GSE66360. (B) Um diagrama vulcânico de genes diferencialmente expressos (DEGs) em GSE89632. (C) Um diagrama vulcânico de DEGs em GSE66360. (D) Um diagrama de mapa de calor de DEGs em GSE89632. (E) Um diagrama de mapa de calor de DEGs em GSE66360. Clique aqui para ver uma versão maior desta figura.

figure-results-3
Figura 3: Análise de enriquecimento de genes diferencialmente expressos (DEGs). (A) Os cinco principais NALFD-DEGs enriqueceram a ontologia gênica (GO) em processo biológico (BP), componente celular (CC) e função molecular (MF). (B) Os cinco principais MI-DEGs enriqueceram GO em BP, CC e MF. (C) Os oito principais NALFD-DEGs enriqueceram a enciclopédia de genes e genomas de Kyoto (KEGG) vias de sinalização. (D) Os oito principais MI-DEGs enriqueceram as vias de sinalização KEGG. (E) Os cinco principais NALFD-DEGs enriqueceram a ontologia da doença (DO). (F) Os cinco principais MI-DEGs enriqueceram DO. Clique aqui para ver uma versão maior desta figura.

figure-results-4
Figura 4: Diagramas de rede de interação proteína-proteína (PPI). (A) Um diagrama de rede PPI de doença hepática gordurosa não alcoólica (DHGNA) obtido da plataforma online String. (B) Um diagrama de rede PPI da DHGNA obtido do Cytoscape. (C) Um diagrama de rede PPI de infarto do miocárdio (IM) obtido da plataforma online String. (D) Um diagrama de rede PPI de MI obtido pelo Cytoscape. (E) Um diagrama de rede PPI de interações proteicas. (F) Um diagrama de rede PPI de IL1B e FOS. Clique aqui para ver uma versão maior desta figura.

figure-results-5
Figura 5: Triagem de DEGs do hub candidato. (A) Seis DEGs cruciais obtidos por SVM-RFE na DHGNA. (B) Quatro DEGs cruciais obtidos por SVM-RFE no infarto do miocárdio (IM). (C) Quatro DEGs cruciais obtidos pelo LASSO na DHGNA. (D) Cinco DEGs cruciais obtidos pelo LASSO em MI. (E) Apenas um DEG adquirido dos resultados acima no diagrama de Venn. Clique aqui para ver uma versão maior desta figura.

figure-results-6
Figura 6: Valor diagnóstico de um hub de genes diferencialmente expressos (DEGs). (A) Curvas ROC na DHGNA. (B) Curvas ROC em MI. Clique aqui para ver uma versão maior desta figura.

figure-results-7
Figura 7: Distribuição de células imunes infiltrantes e correlação entre THBS1 e células imunes infiltrantes na doença hepática gordurosa não alcoólica (DHGNA) e infarto do miocárdio (IM). (A) Distribuição de células imunes infiltrantes na DHGNA. (B) Distribuição de células imunes infiltrantes no IM. (C) Correlação entre THBS1 e células imunes infiltrantes na DHGNA. (D) Correlação entre THBS1 e células imunes infiltrantes no IM. Clique aqui para ver uma versão maior desta figura.

AbreviaçãoNomenclatura
AUCÁrea sob a curva
BPProcesso biológico
CCComponente Celular
CONControles
GRAUSGenes diferencialmente expressos
FAZEROntologia da Doença
IROntologia Genética
KEGGEnciclopédia de Genes e Genomas de Kyoto
LAÇAROperador de Seleção e Encolhimento Mínimo Absoluto
MFFunção molecular
MIInfarto do miocárdio
DHGNADoença hepática gordurosa não alcoólica
PPIInteração Proteína-Proteína
ROCCurvas características do operador receptor
SSGEAnálise de enriquecimento de conjunto genético de amostra única
SVM-RFEEliminação de recursos recursivos de máquina de vetor de suporte
THBS1Trombospondina 1

Tabela 1: Parâmetros de simulação utilizados na experimentação.

Discussão

O método descrito neste estudo tem implicações significativas para a pesquisa dos mecanismos moleculares subjacentes à DHGNA e ao IM. Ao identificar biomarcadores importantes, como THBS1, o protocolo proposto oferece alvos potenciais para intervenções diagnósticas e terapêuticas. Essa abordagem pode ser estendida a outras doenças complexas envolvendo múltiplas vias e respostas imunes, facilitando a descoberta de novos biomarcadores e alvos terapêuticos. Além disso, a integração de técnicas de bioinformática e aprendizado de máquina fornece uma estrutura versátil para medicina personalizada, permitindo estratégias de tratamento personalizadas com base em perfis moleculares individuais. Esse método também pode ser adaptado para uso em ambientes clínicos para aumentar a precisão diagnóstica e melhorar os resultados dos pacientes por meio de intervenções direcionadas.

A DHGNA e o infarto do miocárdio (IM) são dois grandes problemas de saúde com prevalência e mortalidade significativas. A DHGNA é caracterizada pelo acúmulo de lipídios no fígado1. Evidências crescentes sugerem que a DHGNA afeta adversamente não apenas a integridade estrutural do coração, mas também sua função, particularmente no contexto do IM 22,23,24. Além disso, há evidências convincentes indicando uma forte correlação entre DHGNA e aterosclerose. Estudos descobriram que a prevalência e a gravidade da DHGNA em pacientes com infarto do miocárdio não diabético estão ligadas à doença arterial coronariana25. A DHGNA moderada a grave tem se mostrado um fator de risco independente, aumentando em três vezes o risco de múltiplas lesões nas artérias coronárias4. No entanto, esses estudos se concentram principalmente na DHGNA e no IM, deixando os mecanismos subjacentes da associação entre DHGNA e aterosclerose ainda obscuros. Assim, é crucial explorar esses mecanismos para prevenir o infarto do miocárdio relacionado à DHGNA.

Neste estudo, dois conjuntos de dados foram obtidos do NCBI-GEO. A análise revelou 13 DEGs regulados para cima e 1 DEG regulado para baixo entre NAFLD e MI. A análise de enriquecimento funcional foi realizada, um diagrama de rede co-PPI foi construído e dois algoritmos de aprendizado de máquina foram empregados para identificar DEGs de hub. Como resultado, o THBS1 foi identificado como um novo biomarcador com excelente eficiência diagnóstica para DHGNA e IM. A Support Vector Machine (SVM) é uma técnica de aprendizado de máquina supervisionada amplamente utilizada para classificação e regressão17. A eliminação de características recursivas (RFE) ajuda a selecionar os genes mais significativos da amostra. O algoritmo de regressão LASSO19 aplica regularização para melhorar a precisão da previsão. Ao combinar esses algoritmos com co-DEGs, conseguimos rastrear os DEGs ideais.

Com base na análise usando dois algoritmos de aprendizado de máquina e co-DEGs, a trombospondina 1 (THBS1 ou TSP1) foi identificada como um importante centro de diagnóstico DEG. THBS1 é um membro das proteínas da matriz extracelular e foi detectado pela primeira vez em plaquetas em resposta à estimulação da trombina26. Várias células, incluindo células endoteliais, células estreladas hepáticas e células musculares lisas, podem produzir e secretar THBS1 no espaço extracelular 27,28,29. O THBS1 interage com o CD36, um conhecido ligante30, e exerce um efeito antiangiogênico ao regular o CD3629,31, ressaltando seu papel significativo na doença cardiovascular. Além disso, o THBS1 pode regular a angiogênese e a agregação plaquetária por meio de suas interações com receptores e proteínas como CD47, fator de crescimento transformador β e integrinas32. Isso sugere que o THBS1 pode desempenhar um papel crucial na formação de trombos, ruptura de placa vulnerável e subsequente remodelação ventricular durante o IM 33,34,35.

Além disso, o desenvolvimento da DHGNA está intimamente associado à síntese de proteínas secretadas em circulação. Um estudo importante publicado na EBioMedicine demonstrou que o THBS1, como uma proteína secretada, pode servir como um novo biomarcador para a DHGNA. Este estudo também descobriu que a administração exógena de THBS1 melhora a deposição de lipídios hepáticos ao inibir as vias de síntese lipídica36. Notavelmente, o CD36 foi identificado como um receptor-chave para os efeitos do THBS1 contra a DHGNA. Além disso, o ABT-526, um análogo peptídico do THBS1, demonstrou inibir a síntese lipídica nos hepatócitos. Essas descobertas fornecem novos insights sobre o diagnóstico e tratamento da DHGNA e sugerem que o THBS1 pode ser um novo biomarcador para DHGNA e IM, oferecendo uma ferramenta de diagnóstico rápida, simples e acessível.

Evidências recentes destacam o papel crítico das respostas imunoinflamatórias na progressão da DHGNA e do IM. As principais características incluem expressão de citocinas, regulação imunológica e ativação do sistema neuroendócrino. Wabitsch e col. demonstraram que a metformina confere hepatoproteção ao inibir a expressão de células T CD8+ em camundongos DHGNA37. Dolejsi e col. relataram uma diminuição nas células T CD8+ e uma redução significativa na capacidade de reparo miocárdico38. Qin e col. descobriram que os neutrófilos, como parte do índice sistêmico de imunoinflamação, estão associados à excreção urinária de albumina em pacientes com DHGNA39. Zhang et al. indicaram que a infiltração e a degranulação de neutrófilos estão envolvidas nos processos de lesão e recuperação durante o IM27.

Em alinhamento com esses achados, os resultados atuais revelaram aumento da infiltração de CCR, MHC classe I, neutrófilos, parainflamação e células Tph, enquanto as células T CD8+, atividade citolítica e TIL diminuíram em pacientes com DHGNA e IM em comparação com controles saudáveis. Além disso, a análise de correlação mostrou que o THBS1 foi positivamente correlacionado com CCR, MHC classe I, neutrófilos, parainflamação e células Tph, e negativamente correlacionado com células T CD8+, atividade citolítica e TIL em pacientes com DHGNA e IM. Essas observações sugerem que o THBS1 pode contribuir para a modulação das respostas imunes aumentando CCR, MHC classe I, neutrófilos, parainflamação e células Tph, enquanto diminui as células T CD8+, atividade citolítica e TIL durante o desenvolvimento e progressão de NAFLD e MI. No entanto, essas especulações justificam uma investigação mais aprofundada para confirmar o papel preciso do THBS1 nesses processos.

Este estudo teve como objetivo elucidar as conexões moleculares entre NAFLD e MI usando abordagens abrangentes de bioinformática e aprendizado de máquina. Os resultados identificaram 96 genes diferencialmente expressos (DEGs) na DHGNA e 126 no IM, com 14 DEGs sobrepostos entre as duas condições. A análise de enriquecimento funcional revelou que esses DEGs estão envolvidos em processos e vias biológicas críticas, como diferenciação de células adiposas, quimiotaxia de leucócitos e várias vias de sinalização, incluindo IL-17, TNF e NF-κB. Esses resultados destacam a intrincada interação das vias inflamatórias e metabólicas na DHGNA e no IM. A construção de diagramas de rede de interação proteína-proteína (PPI), combinada com análises de aprendizado de máquina (SVM-RFE e LASSO), identificou o THBS1 como um gene central chave. O THBS1 demonstrou excelente desempenho diagnóstico, com uma área sob a curva (AUC) de 0,981 para DHGNA e 0,900 para IM, sugerindo seu potencial como um biomarcador robusto para ambas as condições.

Além disso, a análise de imunoinfiltração revelou perfis distintos de células imunes em pacientes com DHGNA e IM em comparação com controles saudáveis. Especificamente, os pacientes com DHGNA e IM exibiram aumento da infiltração de CCR, MHC classe I, neutrófilos, parainflamação e células Tph, enquanto mostravam níveis reduzidos de células T CD8+, atividade citolítica e TIL. Essas características imunológicas ressaltam a natureza inflamatória de ambas as condições e destacam o papel do THBS1 na modulação das respostas imunes.

Este estudo fornece novos insights sobre os mecanismos moleculares compartilhados subjacentes à DHGNA e ao IM, com o THBS1 emergindo como um novo biomarcador para diagnóstico e um potencial alvo terapêutico. As descobertas abrem caminho para pesquisas futuras sobre intervenções direcionadas e estratégias de tratamento personalizadas para pacientes com essas condições interconectadas. Ao integrar bioinformática, aprendizado de máquina e análise de imunoinfiltração, a pesquisa contribui para o desenvolvimento de uma plataforma de suporte à decisão médica destinada a melhorar o manejo clínico da DHGNA e do IM.

Agradecimentos

Este estudo foi apoiado pela Fundação Nacional de Ciências Naturais da China (nº 62271511, U21A200949), Fundação Yucai do Hospital Geral do Comando do Teatro Sul (2022NZC011), Projeto do Programa de Ciência e Tecnologia de Guangzhou (2023A03J0170), Centro Nacional de Pesquisa Clínica para Geriatria (NCRCG-PLAGH-2023006) e Fundação de Pesquisa Básica e Aplicada de Guangdong (nº 2020A1515010288, nº 2021A1515220101).

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
CytoscapeCytoscape ConsortiumVersão 3.6.1Usado para visualizar redes de interação proteína-proteína (PPI)
conjunto de dados MI GSE66360 (https://www.ncbi.nlm.nih.gov/geo/).Banco de dados NCBI-GEO -Para coletar conjuntos de dados de microarray de RNA para análise
Pacote R clusterProfilerBioconductor -Usado para análises de enriquecimento GO, KEGG e DO
Pacote R ggplot2CRAN -Usado para criar diagramas de Venn e outras visualizações
Pacote R GSEABaseBioconductor -Usado em conjunto com GSVA para análise de enriquecimento de conjunto de genes
Pacote R GSVABioconductor -Usado para análise de enriquecimento de conjunto de genes de amostra única (ssGSEA)
Pacote R limmaBioconductor -Usado para identificar genes diferencialmente expressos (DEGs)
Pacote R pheatmapCRAN&nbsp;-Usado para gerar mapas de calor
Pacote R vennCRAN&nbsp;-Usado para criar diagramas de Venn
Conjuntos de dados de microarray de RNA (GSE66360, GSE89632)NCBI-GEO™Conjuntos de dados de microarray de RNA disponíveis publicamente usados para análise
RStudioRStudio, PBCVersão 1.4.1717Ambiente de desenvolvimento integrado para
banco de dados R StringSTRING (www.string-db.org/) -Ferramenta online para construção de redes PPI
-

Referências

  1. de Alwis, N. M. W., Day, C. P. Non-alcoholic fatty liver disease: The mist gradually clears. J Hepatol. 48 (Suppl), S104-S112 (2008).
  2. Adams, L. A., Anstee, Q. M., Tilg, H., Targher, G. Non-alcoholic fatty liver disease and its relationship with cardiovascular disease and other extrahepatic diseases. Gut. 66 (6), 1138-1153 (2017).
  3. Bhatia, L. S., Curzen, N. P., Calder, P. C., Byrne, C. D. Non-alcoholic fatty liver disease: A new and important cardiovascular risk factor. Eur Heart J. 33 (9), 1190-1200 (2012).
  4. Boddi, M., et al. Non-alcoholic fatty liver in non-diabetic patients with acute coronary syndromes. Eur J Clin Invest. 43 (4), 429-438 (2013).
  5. Oni, E. T., et al. A systematic review: Burden and severity of subclinical cardiovascular disease among those with non-alcoholic fatty liver; should we care. Atherosclerosis. 230 (2), 258-267 (2013).
  6. Reed, G. W., Rossi, J. E., Cannon, C. P. Acute myocardial infarction. Lancet. 389 (10070), 197-210 (2017).
  7. Stahl, E. P., et al. Non-alcoholic fatty liver disease and the heart: JACC state-of-the-art review. J Am Coll Cardiol. 73 (8), 948-963 (2019).
  8. Alexander, M., et al. Non-alcoholic fatty liver disease and risk of incident acute myocardial infarction and stroke: findings from matched cohort study of 18 million European adults. BMJ. 367, 1934578X221093907(2019).
  9. Cobbina, E., Akhlaghi, F. Non-alcoholic fatty liver disease (NAFLD)-pathogenesis, classification, and effect on drug metabolizing enzymes and transporters. Drug Metab Rev. 49 (2), 197-211 (2017).
  10. Pawlak, M., Lefebvre, P., Staels, B. Molecular mechanism of PPARα action and its impact on lipid metabolism, inflammation and fibrosis in non-alcoholic fatty liver disease. J Hepatol. 62 (3), 720-733 (2015).
  11. Katsiki, N., Mikhailidis, D. P., Mantzoros, C. S. Non-alcoholic fatty liver disease and dyslipidemia: An update. Metabolism. 65 (8), 1109-1123 (2016).
  12. Ritchie, M. E., et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 43 (7), e47(2015).
  13. Yu, G., Wang, L. G., Han, Y., He, Q. Y. clusterProfiler: An R package for comparing biological themes among gene clusters. Omics. 16 (5), 284-287 (2012).
  14. Szklarczyk, D., et al. The STRING database in 2021: Customizable protein-protein networks, and functional characterization of user-uploaded gene/measurement sets. Nucleic Acids Res. 49 (D1), D605-D612 (2021).
  15. Sriroopreddy, R., Sajeed, R., Raghuraman, P., Sudandiradoss, C. Differentially expressed gene (DEG) based protein-protein interaction (PPI) network identifies a spectrum of gene interactome, transcriptome and correlated miRNA in nondisjunction Down syndrome. Int J Biol Macromol. 122, 1080-1089 (2019).
  16. Engebretsen, S., Bohlin, J. Statistical predictions with glmnet. Clin Epigenetics. 11, 123(2019).
  17. Ma, H., Ding, F., Wang, Y. A novel multi-innovation gradient support vector machine regression method. ISA Trans. 130, 343-359 (2022).
  18. Han, Y., Huang, L., Zhou, F. A dynamic recursive feature elimination framework (dRFE) to further refine a set of OMIC biomarkers. Bioinformatics. 37 (12), 2183-2189 (2021).
  19. Colombani, C., et al. Application of Bayesian least absolute shrinkage and selection operator (LASSO) and BayesCπ methods for genomic selection in French Holstein and Montbéliarde breeds. J Dairy Sci. 96 (2), 575-591 (2013).
  20. Gamper, M., et al. Gene expression profile of bladder tissue of patients with ulcerative interstitial cystitis. BMC Genomics. 10 (1), 1-17 (2009).
  21. Hänzelmann, S., Castelo, R., Guinney, J. GSVA: Gene set variation analysis for microarray and RNA-seq data. BMC Bioinformatics. 14, 1-15 (2013).
  22. Valbusa, F., et al. Non-alcoholic fatty liver disease and increased risk of all-cause mortality in elderly patients admitted for acute heart failure. Int J Cardiol. 265, 162-168 (2018).
  23. Zhang, Q., et al. Identification of hub biomarkers of myocardial infarction by single-cell sequencing, bioinformatics, and machine learning. Front Cardiovasc Med. 9, 939972(2022).
  24. Zhang, Q., et al. 7-Hydroxyflavone alleviates myocardial ischemia/reperfusion injury in rats by regulating inflammation. Molecules. 27 (17), 5371(2022).
  25. Zhang, Q., Guo, Y., Zhang, D. Network pharmacology integrated with molecular docking elucidates the mechanism of wuwei yuganzi san for the treatment of coronary heart disease. Nat Prod Commun. 17 (1), 1934578X221093907(2022).
  26. Baenziger, N. L., Brodie, G., Majerus, P. W. A thrombin-sensitive protein of human platelet membranes. Proc Natl Acad Sci USA. 68 (2), 240-243 (1971).
  27. Zhang, N., Aiyasiding, X., Li, W. J., Liao, H. H., Tang, Q. Z. Neutrophil degranulation and myocardial infarction. Cell Commun Signal. 20 (1), 50(2022).
  28. Lawler, J. Thrombospondin-1 as an endogenous inhibitor of angiogenesis and tumor growth. J Cell Mol Med. 6 (1), 1-12 (2002).
  29. Kaur, S., et al. Functions of thrombospondin-1 in the tumor microenvironment. Int J Mol Sci. 22 (9), 4570(2021).
  30. Asch, A. S., et al. Isolation of the thrombospondin membrane receptor. J Clin Invest. 79 (4), 1054-1061 (1987).
  31. Armstrong, L. C., Bornstein, P. Thrombospondins 1 and 2 function as inhibitors of angiogenesis. Matrix Biol. 22 (1), 63-71 (2003).
  32. Roberts, D. D., Isenberg, J. S. CD47 and thrombospondin-1 regulation of mitochondria, metabolism, and diabetes. Am J Physiol Cell Physiol. 321 (1), C201-C213 (2021).
  33. Emre, A., et al. Impact of non-alcoholic fatty liver disease on myocardial perfusion in non-diabetic patients undergoing primary percutaneous coronary intervention for ST-segment elevation myocardial infarction. Am J Cardiol. 116 (11), 1810-1814 (2015).
  34. Mouton, A. J., et al. Fibroblast polarization over the myocardial infarction time continuum shifts roles from inflammation to angiogenesis. Basic Res Cardiol. 114 (1), 1-16 (2019).
  35. Liu, Y., et al. Atherosclerotic conditions promote the packaging of functional microRNA-92a-3p into endothelial microvesicles. Circ Res. 124 (4), 575-587 (2019).
  36. Bai, J., et al. Thrombospondin 1 improves hepatic steatosis in diet-induced insulin-resistant mice and is associated with hepatic fat content in humans. EBioMedicine. 57 (1), 102-111 (2020).
  37. Wabitsch, S., et al. Metformin treatment rescues CD8+ T-cell response to immune checkpoint inhibitor therapy in mice with NAFLD. J Hepatol. 77 (4), 748-760 (2022).
  38. Dolejsi, T., et al. Adult T-cells impair neonatal cardiac regeneration. Eur Heart J. 43 (27), 2698-2709 (2022).
  39. Qin, Z., et al. Systemic immune-inflammation index is associated with increased urinary albumin excretion: a population-based study. Front Immunol. 13, 863640(2022).

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

An lise Bioinform ticaAprendizado de M quinaM quina de Vetores de SuporteIntera o Prote na Prote naGene Diferencialmente ExpressoC lulas T CD8N veis de Neutr filos
Vídeo em breve

Artigos relacionados